面向压缩图像数据的自动驾驶场景鲁棒深度神经目标检测与分割
图像与视频处理
2022-05-16 v1
摘要
深度神经目标检测或分割网络通常使用原始、未压缩的数据进行训练。然而，在实际应用中，输入图像常因高效数据传输所施加的压缩而劣化。因此，我们提出将劣化图像加入训练过程，以提升两个最先进网络 Faster 与 Mask R-CNN 的鲁棒性。在本文中，我们通过在经即将到来的视频编码标准通用视频编码(VVC)压缩的 Cityscapes 数据集上评估新训练模型，来研究自动驾驶场景。当采用以所提方法训练的模型时，R-CNN 对压缩输入图像的加权平均精度可提升多达 3.68 个百分点，相当于节省近 48% 的比特率。
引用
@article{arxiv.2205.06501,
title = {Robust Deep Neural Object Detection and Segmentation for Automotive Driving Scenario with Compressed Image Data},
author = {Kristian Fischer and Christian Blum and Christian Herglotz and André Kaup},
journal= {arXiv preprint arXiv:2205.06501},
year = {2022}
}
备注
Originally submitted at IEEE ISCAS 2021